Gunakan sebarang data

2023-03-14

Microsoft Dataverse menyediakan pengabstrakan yang menjadikannya boleh bekerja dengan sebarang jenis data, termasuk hubungan, bukan hubungan, imej, fail, carian relatif dan danau data. Tiada keperluan untuk memahami jenis data kerana Dataverse mendedahkan set jenis data yang membolehkan anda membina model anda. Jenis storan dioptimumkan untuk pemilihan jenis data.

Data boleh diimport dan dieksport dengan mudah menggunakan aliran data, Power Query dan Kilang Data Azure. Pelanggan dinamik juga boleh menggunakan Perkhidmatan Eksport Data.

Dataverse juga mempunyai penyambung untuk Power Automate dan Azure Logic Apps yang boleh digunakan dengan beratus-ratus penyambung lain dalam perkhidmatan tersebut untuk perkhidmatan di premis iaitu, infrastruktur sebagai perkhidmatan (IaaS), platform sebagai perkhidmatan (PaaS) atau perisian sebagai perkhidmatan (SaaS). Ini termasuk sumber dalam Azure, Microsoft 365, Dynamics 365, SAP ERP, Salesforce, Amazon Redshift, Access, Excel, text/CSV, senarai SharePoint, pangkalan data SQL Server, Oracle, MySQL, PostgreSQL, Blockchain dan Azure Synapse Analytics.

Common Data Model

Jika anda perlu mengumpulkan data daripada berbilang sistem dan aplikasi, anda mengetahui tentang tugas yang mungkin mahal dan memakan masa. Tanpa dapat berkongsi dan memahami data yang sama dengan mudah, setia aplikasi dan projek integrasi data memerlukan pelaksanaan tersuai.

Common Data Model menyediakan seni bina rujukan yang bertujuan untuk melancarkan proses ini dengan menyediakan bahasa data yang dikongsi untuk perniagaan dan aplikasi analitis untuk digunakan. Sistem metadata Common Data Model menjadikannya boleh untuk berkongsi data dan maknanya merentasi aplikasi dan proses perniagaan seperti Power Apps, Power BI, Dynamics 365 dan Azure.

Common Data Model mengandungi set skema data dilanjutkan yang distandardkan yang telah diterbitkan oleh Microsoft dan rakan kongsinya. Koleksi skema yang pratakrif ini merangkumi jadual, atribut, metadata semantik dan perhubungan. Skema mewakili konsep dan aktiviti yang biasa digunakan seperti Akaun dan Kempen, untuk memudahkan penciptaan, pengagregatan dan analisis data.

Skema Common Data Model boleh digunakan untuk memaklumkan penciptaan jadual dalam Dataverse. Jadual yang terhasil kemudian akan serasi dengan aplikasi dan analitis yang menyasarkan definisi Common Data Model ini.

Imej berikut menunjukkan beberapa elemen jadual Common Data Model standard.

Skema Common Data Model.

Jadual

Dalam Dataverse, jadual digunakan untuk memodelkan dan mengurus data perniagaan. Untuk meningkatkan produktiviti, Dataverse merangkumi set jadual yang dikenali sebagai jadual standard. Jadual ini direka bentuk mengikut amalan terbaik untuk mendapatkan konsep dan senario paling biasa dalam organisasi. Jadual standard mematuhi Common Data Model.

Set jadual yang biasa digunakan merentasi industri, seperti Pengguna dan Pasukan, termasuk dalam Dataverse dan dirujuk sebagai jadual standard. Jadual di luar kotak ini juga dapat disesuaikan, seperti memasukkan lajur tambahan. Selain itu, anda boleh mencipta jadual tersuai anda sendiri dalam Dataverse dengan mudah.

Lihat jadual.

Lajur

Lajur mentakrifkan item data individu yang boleh digunakan untuk menyimpan data dalam jadual. Kadang-kadang medan dipanggil atribut oleh pemaju. Jadual yang mewakili kursus di universiti mungkin mengandungi lajur seperti "Nama," "Lokasi," "Jabatan," "Pelajar Berdaftar" dan seterusnya.

Lajur mungkin mempunyai jenis data yang berbeza seperti nombor, rentetan, data digital, imej dan fail. Tiada keperluan untuk memastikan data perhubungan dan bukan perhubungan diasingkan secara dibuat-buat jika ia sebahagian daripada proses atau aliran perniagaan yang sama. Dataverse menyimpan data dalam jenis storan terbaik untuk model yang dicipta.

Setiap lajur ini boleh dikaitkan dengan salah satu daripada banyak jenis data yang disokong oleh Dataverse.

Cipta lajur.

Maklumat lanjut: Jenis lajur

Hubungan

Data dalam satu jadual biasanya berkaitan dengan data dalam jadual yang lain. perhubungan jadual menentukan cara baris boleh dikaitkan antara satu sama lain dalam model Dataverse.

Dataverse menyediakan pereka bentuk visual yang mudah digunakan untuk mentakrifkan jenis perhubungan yang berbeza daripada satu jadual kepada jadual yang lain (atau antara jadual dan ia sendiri). Setiap jadual boleh mempunyai perhubungan dengan lebih daripada satu jadual dan setiap jadual boleh mempunyai lebih daripada satu perhubungan dengan jadual yang lain.

Perhubungan jadual akaun.

Jenis perhubungan ialah:

Banyak kepada satu: Dalam hubungan jenis ini, banyak rekod jadual A boleh dikaitkan dengan satu rekod jadual B. Sebagai contoh, satu kelas pelajar mempunyai satu bilik darjah.
Satu kepada banyak: Dalam hubungan jenis ini, satu rekod jadual B boleh dikaitkan dengan banyak rekod jadual A. Sebagai contoh, seorang guru mengajar banyak kelas.
Banyak kepada banyak: Dalam jenis perhubungan ini, setiap rekod dalam jadual A boleh sepadan dengan lebih daripada satu rekod dalam jadual B dan sebaliknya. Sebagai contoh, pelajar menghadiri banyak kelas dan setiap kelas boleh mempunyai berbilang pelajar.

Oleh kerana perhubungan banyak-kepada-banyak ialah perhubungan yang paling lazim, Dataverse menyediakan jenis data bernama carian, yang bukan sahaja menjadikannya mudah untuk mentakrifkan perhubungan tetapi menambahkan produktiviti untuk membina borang dan aplikasi.

Untuk mendapatkan maklumat lanjut tentang penciptaan perhubungan jadual, lihat Cipta perhubungan antara jadual.

Organisasi biasanya dikehendaki mematuhi pelbagai peraturan untuk memastikan ketersediaan sejarah interaksi pelanggan, log audit, laporan akses dan laporan penjejakan kejadian keselamatan. Organisasi mungkin mahu menjejak perubahan dalam data Dataverse untuk tujuan keselamatan dan analitis.

Dataverse menyediakan keupayaan pengauditan yang perubahan pada jadual dan data atribut dalam organisasi dapat disusun dari semasa ke semasa untuk digunakan dalam analisis dan pelaporan. Pengauditan disokong pada semua jadual dan atribut tersuai—serta yang paling boleh tersuai—. Pengauditan tidak disokong pada perubahan metadata, operasi pengambilan semula, operasi eksport atau semasa pengesahan. Untuk maklumat tentang cara mengkonfigurasi pengauditan, pergi ke Urus Dataverse pengauditan.

Dataverse menyokong analitis dengan menyediakan keupayaan untuk memilih jadual bagi model pembelajaran mesin untuk dijalankan. Ia mempunyai keupayaan AI prabina melalui AI Builder.

Carian

Dataverse menyediakan tiga cara untuk pertanyaan baris:

Carian Dataverse
Cari cepat (jadual tunggal atau berbilang jadual)
Carian lanjutan

Nota

Cari cepat berbilang jadual juga dipanggil carian yang dikategorikan.

Untuk mendapatkan maklumat lanjut, lihat Bandingkan carian.

Carian Dataverse

Carian Dataverse menyampaikan keputusan cepat dan menyeluruh merentasi pelbagai jadual, dalam senarai tunggal, disusun mengikut keterkaitan. Ia menggunakan perkhidmatan carian khusus luar untuk Dataverse (dikuasakan oleh Azure) untuk meningkatkan prestasi carian.

Carian Dataverse membawa penambahbaikan dan faedah-faedah berikut:

Menambah baik prestasi menggunakan pengindeksan luar dan teknologi carian Azure.
Mencari padanan untuk mana-mana perkataan dalam istilah carian dalam mana-mana lajur dalam jadual, berbanding dengan cari cepat yang semua perkataan daripada istilah carian mesti ditemukan dalam satu lajur.
Mencari padanan yang termasuk perkataan infleksi seperti strim, penstriman atau distrim.
Hasil pulangan daripada semua jadual yang boleh dicari dalam senarai tunggal diisih mengikut keterkaitan, jadi lebih baik padanan, lebih tinggi hasil yang dipaparkan dalam senarai. Perlawanan yang mempunyai perkaitan yang lebih tinggi jika perkataan-perkataan yang lebih banyak dari istilah carian ditemui di kawasan hotel yang berdekatan antara satu sama lain. Lebih kecil teks yang mana perkataan carian ditemui, lebih tinggi keterkaitannya. Contohnya, jika anda menemui perkataan carian dalam nama syarikat dan alamat, ia mungkin padanan yang lebih baik daripada menemui perkataan yang sama dalam artikel lebih besar, jauh terpisah dari satu sama lain.
Menyerlahkan padanan dalam senarai hasil. Apabila istilah carian sepadan dengan istilah dalam baris, istilah itu dipaparkan sebagai teks tebal dan diitalikkan dalam hasil carian anda.

Untuk mendapatkan maklumat lanjut tentang carian Dataverse, lihat Menggunakan carian Dataverse untuk mencari baris.

Cari cepat

Dataverse termasuk keupayaan untuk mencari baris dengan cepat dan mempunyai pendekatan yang akan mencari satu jenis jadual sahaja, seperti pelanggan atau digunakan untuk carian merentasi berbilang jenis jadual secara serentak, seperti kenalan, pengguna, pelanggan dan sebagainya.

Cari cepat jadual tunggal digunakan untuk mencari baris satu jenis sahaja. Pilihan carian ini boleh tersedia dari dalam pandangan.

Cari cepat jadual tunggal.

Cari cepat berbilang jadual (carian yang dikategorikan) juga digunakan untuk mencari baris tetapi akan mencarinya merentasi pelbagai jenis jadual, seperti akaun atau kenalan.

danau data

Dataverse menyokong replikasi data jadual Azure Data Lake Storage yang berterusan, yang boleh digunakan untuk menjalankan analitis seperti pelaporan Power BI, pembelajaran mesin, data gudang dan proses integrasi hiliran yang lain.

Replikasi data Dataverse ke Azure Data Lake Storage.

Ciri ini direka bentuk untuk analitis data besar perusahaan. Ia berkesan kos, boleh skala, mempunyai ketersediaan yang tinggi dan keupayaan pemulihan daripada bencana dan membolehkan prestasi analitis yang terbaik dalam kelasnya.

Data disimpan dalam format Model Data Biasa yang menyediakan kekonsistenan semantik merentasi aplikasi dan pelaksanaan. Metadata yang distandardkan dan data perihalan kendiri dalam penemuan dan saling kendalian metadata kemudahan Common Data Model antara pengeluar dan pengguna data seperti Power BI, Kilang Data, Azure Databricks dan Pembelajaran Mesin Azure.

Lihat juga

Mengimport dan mengeksport data